图像匹配中的Ransac算法如何得到更多的匹配点

最近又开始研究图像的匹配了，只是目前对图像匹配的要求比较高，需要得到的匹配点的凸包能覆盖同名区域的尽可能大的部分，这个个人感觉是非常困难的，至少目前寻找的方法还不能满足需求。本篇主要想写点关于Ransac算法在消除错配上的应用，以及其不足之处。

关于Ransac算法的原理，这里不多说，百度能搜到的ransac资料基本都讲了，这里我用简单的语言说下。在得到特征点初始匹配下，ransac的目的是能提取到其中尽可能多的正确匹配对。这里“尽可能多”是个概数，也就是说并不是每次得到的结果都是确定的，当然这也和不同算法中随机数的生成有关，如在C++中用同一个种子点生成的随机数得到的ransac结果是相同的，实际上这并不是准确的随机数，只是用来近似的而已。ransac作为随机算法，得到不同结果是肯定的，只要结果不要偏差太多就行了。

那如何能把尽可能多的匹配点提取出来呢？从我这段时间的研究来看，需要几个方面考虑：1、初始匹配的个数；2、初始匹配的匹配结果；3、模型的选择；4、迭代次数。条件1和2是初始匹配的影响，这是显而易见的，如果初始匹配都不能匹配上，ransac当然得不到正确的匹配；条件3是你算法中选则的两幅图像之间应该满足的几何模型，这个模型只和坐标有关，和图像内容无关，一般双目视觉最弱的条件是对极几何关系，然后再是平面目标图像的关系，有仿射变换和透视变换(射影变换)，也可以说是单应；条件4的迭代次数对ransac的影响最小，这当然也是相对的，当迭代次数较大的情况下，增加迭代次数其实影响并不大，因此，迭代次数的影响最小。当初始匹配确定、模型确定、迭代条件确定或者终止条件确定，由于随机数的原因，得到的结果不会相差太大。如何能提取尽可能多的匹配点对呢？一般，ransac得到的匹配点基本是正确的，然而因为所及随机数的选择不同，多次运行，可能得到的结果各不相同，那么可以通过多次调用ransac后得到最终的匹配点，这比调用一次ransac得到的匹配对肯定要多。除了多次调用，还可以在ransac迭代之前，通过某种方法得到匹配质量较高的匹配点对，利用LM算法进行参数优化，然后再迭代，这样的点也可能多。除此以外，还可以两次调用ransac方法，就是一次先得到一批，然后把剩下的再ransac，这样得到的匹配点也会增加，这是肯定的。